研究人員提出一種基于哈希的二值網(wǎng)絡(luò)訓(xùn)練方法 比當(dāng)前方法的精度提高了3%

程健研究員團(tuán)隊(duì)最近提出了一種基于哈希的二值網(wǎng)絡(luò)訓(xùn)練方法，揭示了保持內(nèi)積哈希和二值權(quán)重網(wǎng)絡(luò)之間的緊密關(guān)系，表明了網(wǎng)絡(luò)參數(shù)二值化本質(zhì)上可以轉(zhuǎn)化為哈希問題，在ResNet-18上，該方法比當(dāng)前最好方法的精度提高了3%。

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)深入了計算機(jī)視覺的各個任務(wù)中，并在圖像識別、目標(biāo)跟蹤、語義分割等領(lǐng)域中取得了重大突破。在一些場景下，當(dāng)前深度卷積網(wǎng)絡(luò)性能已經(jīng)足以部署到實(shí)際應(yīng)用中，這也鼓舞著人們將深度學(xué)習(xí)落地到更多的應(yīng)用中。

然而，深度卷積網(wǎng)絡(luò)在實(shí)際部署時面臨著參數(shù)量和時間復(fù)雜度等兩方面的問題，一方面是深度網(wǎng)絡(luò)巨大的參數(shù)量會占用大量的硬盤存儲和運(yùn)行內(nèi)存，這些硬件資源在一些移動和嵌入式設(shè)備中往往是很有限的；另外一方面就是深度網(wǎng)絡(luò)的計算復(fù)雜度較高，這會使得網(wǎng)絡(luò)推理速度很慢，同時會增加移動設(shè)備的電量消耗。

為了解決此類問題，人們提出了很多網(wǎng)絡(luò)加速和壓縮方法，其中網(wǎng)絡(luò)參數(shù)二值化是一種將網(wǎng)絡(luò)參數(shù)表示為二值參數(shù)的方法。由于二值網(wǎng)絡(luò)中參數(shù)只有+1和-1兩種值，乘法運(yùn)算就可以被加法運(yùn)算替代。由于乘法運(yùn)算比加法運(yùn)算需要更多的硬件資源和計算周期，使用加法運(yùn)算替代乘法運(yùn)算能夠?qū)崿F(xiàn)網(wǎng)絡(luò)加速的目的。

另一方面，原始網(wǎng)絡(luò)參數(shù)的存儲格式是32位浮點(diǎn)數(shù)，二值參數(shù)網(wǎng)絡(luò)只使用1位來表示+1或者-1,達(dá)到了32倍的壓縮目的。但是將參數(shù)從32位量化到1位會導(dǎo)致較大的量化損失，當(dāng)前的二值網(wǎng)絡(luò)訓(xùn)練方法往往會導(dǎo)致較大的網(wǎng)絡(luò)精度下降，如何學(xué)習(xí)二值的網(wǎng)絡(luò)參數(shù)同時又不帶來較大的精度下降是一個問題。

圖自網(wǎng)絡(luò)

自動化所程健研究員團(tuán)隊(duì)的胡慶浩等人最近提出了一種基于哈希的二值網(wǎng)絡(luò)訓(xùn)練方法，揭示了保持內(nèi)積哈希（Innerproduct Preserving Hashing）和二值權(quán)重網(wǎng)絡(luò)之間的緊密關(guān)系，表明了網(wǎng)絡(luò)參數(shù)二值化本質(zhì)上可以轉(zhuǎn)化為哈希問題。

給定訓(xùn)練好的全精度浮點(diǎn)32位網(wǎng)絡(luò)參數(shù)，二值權(quán)重網(wǎng)絡(luò)（BWN）的目的是學(xué)習(xí)二值網(wǎng)絡(luò)參數(shù)并維持原始網(wǎng)絡(luò)精度。學(xué)習(xí)二值參數(shù)的最樸素的方式就是最小化與二值參數(shù)之間的量化誤差，但是這種量化誤差和網(wǎng)絡(luò)精度之間存在著一定的差距，最小化量化誤差并不會直接提高網(wǎng)絡(luò)精度，因?yàn)槊恳粚拥牧炕`差會逐層積累，而且量化誤差會受到輸入數(shù)據(jù)的增幅。

一種更好的學(xué)習(xí)二值參數(shù)的方式是最小化內(nèi)積相似性之差。假設(shè)網(wǎng)絡(luò)某一層輸入為，是原始的內(nèi)積相似性，則是量化之后的內(nèi)積相似性，最小化與之間的誤差可以學(xué)習(xí)到更好的二值參數(shù)。從哈希的角度來講，代表著數(shù)據(jù)在原始空間中的相似性或者近鄰關(guān)系，則代表著數(shù)據(jù)投影到漢明空間之后的內(nèi)積相似性。而哈希的作用就是將數(shù)據(jù)投影到漢明空間，且在漢明空間中保持?jǐn)?shù)據(jù)在原始空間中的近鄰關(guān)系。至此，學(xué)習(xí)二值參數(shù)的問題就轉(zhuǎn)化成了一個在內(nèi)積相似性下的哈希問題，該哈希主要是將數(shù)據(jù)投影到漢明空間并保持其在原始空間中的內(nèi)積相似性。

團(tuán)隊(duì)首先在VGG9小網(wǎng)絡(luò)上對方法進(jìn)行驗(yàn)證，并且在AlexNet和ResNet-18上超過當(dāng)前的二值權(quán)重網(wǎng)絡(luò)。特別的，在ResNet-18上，該方法比當(dāng)前最好方法的精度提高了3個百分點(diǎn)。獲得了較好的實(shí)驗(yàn)結(jié)果。

表1：不同方法在VGG9上的分類錯誤率

表2：不同方法在AlexNet的分類精度

表3：不同方法在ResNet-18的分類精度

Dasgupta等人[2]在2017年11月份的《Science》上撰文揭示了果蠅嗅覺神經(jīng)回路其實(shí)是一種特殊的哈希，其哈希投影是稀疏的二值連接。對比二值權(quán)重網(wǎng)絡(luò)（BWN）,我們可以發(fā)現(xiàn)二者之間有著密切的關(guān)系，首先，二者的網(wǎng)絡(luò)都是二值連接，這意味著二值權(quán)重在生物神經(jīng)回路中有存在的生物基礎(chǔ)，這也為二值權(quán)重網(wǎng)絡(luò)的潛在機(jī)理提供了啟發(fā)；其次，二者都是為了保持近鄰關(guān)系，并且可以描述為哈希問題，這種現(xiàn)象表明神經(jīng)網(wǎng)絡(luò)的某些連接是為了保持近鄰關(guān)系。最后，果蠅嗅覺回路中的稀疏連接和卷積層的參數(shù)共享機(jī)制有著異曲同工之處，都是對輸入的部分區(qū)域進(jìn)行連接。

相關(guān)工作已經(jīng)被AAAI2018接收[1]，并將在大會上作口頭報告。

參考資料：

[1] Qinghao Hu, Peisong Wang, Jian Cheng. From Hashing to CNNs: Training Binary Weight Networks via Hashing. AAAI 2018

[2]Dasgupta S, Stevens C F, Navlakha S. A neural algorithm for a fundamental computing problem. Science, 2017, 358(6364): 793-796.